脉冲神经网络相对顺序学习与转化算法研究
致谢 | 第5-7页 |
摘要 | 第7-9页 |
ABSTRACT | 第9-11页 |
1 绪论 | 第18-40页 |
1.1 研究背景与意义 | 第19-22页 |
1.2 脉冲神经网络简介 | 第22-28页 |
1.2.1 脉冲神经元模型 | 第22-24页 |
1.2.2 脉冲神经网络的结构 | 第24-27页 |
1.2.3 脉冲神经网络的应用 | 第27-28页 |
1.3 脉冲神经网络学习算法研究现状 | 第28-33页 |
1.3.1 基于误差反向传播的学习算法 | 第28-30页 |
1.3.2 基于突触可塑性的学习算法 | 第30-31页 |
1.3.3 其他学习算法 | 第31-33页 |
1.4 深度脉冲神经网络实现方法研究现状 | 第33-36页 |
1.4.1 DNN-to-SNN转化技术 | 第33-35页 |
1.4.2 其他实现方法 | 第35-36页 |
1.5 论文的技术路线与研究基础 | 第36-37页 |
1.5.1 技术路线 | 第37页 |
1.5.2 研究基础 | 第37页 |
1.6 论文的研究内容与组织架构 | 第37-40页 |
1.6.1 主要研究内容 | 第37-38页 |
1.6.2 组织结构 | 第38-40页 |
2 脉冲相对顺序学习 | 第40-66页 |
2.1 引言 | 第40-42页 |
2.2 脉冲时间学习算法分析 | 第42-43页 |
2.3 脉冲相对顺序学习算法 | 第43-54页 |
2.3.1 SRM脉冲神经元模型 | 第44-45页 |
2.3.2 ROL算法描述 | 第45-48页 |
2.3.3 ROL算法基本性能测试 | 第48-54页 |
2.4 IRIS数据集实验 | 第54-57页 |
2.4.1 脉冲的群编码 | 第55-56页 |
2.4.2 实验结果与分析 | 第56-57页 |
2.5 MNIST数据集实验 | 第57-61页 |
2.5.1 图像的脉冲编码 | 第57-58页 |
2.5.2 脉冲的群决策 | 第58-59页 |
2.5.3 实验结果与分析 | 第59-61页 |
2.6 脉冲神经网络与传统ANN的比较 | 第61-64页 |
2.7 本章小结 | 第64-66页 |
3 低推理延时的深度脉冲神经网络实现方法 | 第66-90页 |
3.1 引言 | 第66-67页 |
3.2 脉冲网络推理延时与激活值的关系 | 第67-73页 |
3.2.1 DNN-to-SNN转化原理 | 第68-69页 |
3.2.2 激活值量化 | 第69-73页 |
3.3 基于再训练的逐层量化算法 | 第73-79页 |
3.3.1 算法框架 | 第74-75页 |
3.3.2 量化参数的确定 | 第75-79页 |
3.4 实验结果与分析 | 第79-88页 |
3.4.1 源网络概览 | 第79页 |
3.4.2 逐层量化算法的效果 | 第79-86页 |
3.4.3 推理延时比较 | 第86-88页 |
3.5 本章小结 | 第88-90页 |
4 脉冲卷积神经网络实现方法 | 第90-108页 |
4.1 引言 | 第90-91页 |
4.2 平均池化的脉冲转化 | 第91-95页 |
4.2.1 平均池化融合 | 第91-94页 |
4.2.2 池化脉冲提升 | 第94-95页 |
4.3 最大值池化的脉冲转化 | 第95-98页 |
4.3.1 最大值池化融合 | 第96页 |
4.3.2 融合后网络的负载分析 | 第96-98页 |
4.4 SOFTMAX层的脉冲转化 | 第98-99页 |
4.5 实验结果与分析 | 第99-106页 |
4.5.1 衰减因子β的影响 | 第100-104页 |
4.5.2 池化融合的效果 | 第104-106页 |
4.6 本章小结 | 第106-108页 |
5 总结与展望 | 第108-112页 |
5.1 论文研究工作总结 | 第108-110页 |
5.2 今后工作展望 | 第110-112页 |
参考文献 | 第112-121页 |
攻读学位期间发表/录用的学术论文 | 第121页 |